Poisson ve üstel dağılım arasındaki ilişki


72

Poisson dağılımının bekleme süreleri lambda parametresi ile üssel bir dağılımdır. Ama anlamıyorum. Poisson, örneğin zaman birimi başına düşen varış sayısını modellemektedir. Bunun üstel dağılımla ilgisi nedir? Diyelim ki k varış zamanının bir birim içindeki olasılığı P (k) (poisson tarafından modellenmiştir) ve k + 1'in olasılığı P (k + 1), üstel dağılım aralarındaki bekleme süresini nasıl modelliyor?


3
Bir Poisson dağılımının bekleme süreleri yok. Bunlar Poisson sürecinin bir özelliği.
Glen_b

Ayrıca buraya bakınız , bu iki dağılım arasındaki fark hakkında daha iyi bir açıklama.
Belter,

Yanıtlar:


73

Aşağıdaki notayı wiki ile mümkün olduğunca tutarlı olmak için kullanacağım (cevabım ile poisson ve üstel için wiki tanımları arasında ileri geri gitmek isteyebilirsiniz .)

: t dönemindeki varış sayısıN-tt

: o bir ek gelişi için gereken süre birileri zaman geldi varsayarak gelmesi tXtt

Tanım olarak, aşağıdaki koşullar eşdeğerdir:

(Xt>x)(N-t=N-t+x)

Soldaki etkinlik hiç bir zaman aralığında geldiğini olayları ele geçirir süresi gelenler sayısı eden sayısı anlamına gelir ki t + x saat ile sayma ile aynıdır t olduğu sağdaki olay.[t,t+x]t+xt

Tamamlayıcı kural uyarınca, ayrıca:

P(Xtx)=1-P(Xt>x)

Yukarıda tarif ettiğimiz iki olayın denkliğini kullanarak, yukarıdakileri tekrar yazabiliriz:

P(Xtx)=1-P(N-t+x-N-t=0)

Fakat,

P(N-t+x-N-t=0)=P(N-x=0)

, zaman birimi başına düşen ortalama varış sayısı ve x bir zaman birimi miktarının bulunduğu yukarıdakiler için pm poisson kullanarak , aşağıdakileri kolaylaştırır:λx

P(N-t+x-N-t=0)=(λx)00!e-λx

yani

P(N-t+x-N-t=0)=e-λx

Özgün eqn'mizin yerine geçenler:

P(Xtx)=1-e-λx

Yukarıdaki, üstel bir pdf'in cdf'sidir.


7
Tamam, bu anlaşılır kılıyor. Üstel pdf, herhangi iki ardışık poisson isabetinin arasındaki bekleme sürelerini modellemek için kullanılırken, poisson isabet sayısının olasılığını modeller. Poisson ayrıkken üstel sürekli dağılımdır. İkisinin aynı anda oynadığı gerçek bir yaşam örneği görmek ilginç olurdu.
user862 18

1
Ha? bir bir an zamanlı olarak ya da dönem zaman? t
CodyBugstein

2
Poisson dağılımının, olaylar arasında bekleme süreleri için otomatik olarak üstel bir pdf anlamına gelmediğini unutmayın. Bu sadece bir poisson sürecinin iş başında olduğunu bildiğiniz durumları açıklar. Ancak, poisson dağılımının varlığını ve bir üstel işlemin uygun bir model olduğunu göstermek için üstel bir pdf'nin varlığını kanıtlamanız gerekir!
Jan Rothkegel

@CodyBugstein İkisi de: bu bağlamda birbirleriyle değiştirilebilirler. Varışlar birbirinden bağımsızdır, yani zamanın ne kadar olduğu önemli değildir. Zamandan zamana 0kadar olan süre t, herhangi bir zaman dilimine eşittir t.
Chiel ten Brinke

@ user862: Frekans ve dalga boyu arasındaki ilişkiye tamamen benziyor. Daha uzun dalga boyu; aşağıdakine benzer düşük frekans: daha uzun bekleme süresi; Beklenen düşük gelirler.
DW '

38

λ

L

P(L>t)=P(zaman içinde isabet yok)=Λ0e-Λ0!=e-λtΛ=λt

P(Lt)=1-e-λt

f(t)={λe-λtiçin t00için t<0

Bunun gibi bir yoğunluk fonksiyonuna sahip olan herhangi bir rastgele değişkenin katlanarak dağıtıldığı söylenir.


2
P(L>t)=P

1
λtλt

5

Diğer cevaplar matematiği açıklamakta iyi bir iş çıkarır. Bence fiziksel bir örneği ele almaya yardımcı olur. Bir Poisson sürecini düşündüğümde, her zaman bir yolda geçen otomobiller fikrine geri dönüyorum. Lambda, zaman birimi başına geçen ortalama araba sayısıdır, diyelim ki 60 / saat (lambda = 60). Ancak, gerçek sayının değişeceğini biliyoruz - bazı günler daha fazla, bazı günler daha az. Poisson Dağılımı bu değişkenliği modellememize izin verir.

Şimdi, saat başına ortalama 60 araba, her dakika geçen ortalama 1 arabaya eşittir. Yine de, gelenler arasındaki zaman miktarında bir değişkenlik olacağını biliyoruz: Bazen 1 dakikadan fazla; diğer zamanlarda daha az. Üstel Dağılım, bu değişkenliği modellememize izin verir.

Tüm söylenenler, bir yoldan geçen arabalar her zaman bir Poisson Süreci izlemeyecek. Hemen köşede bir trafik sinyali varsa, örneğin, sabit yerine varışlar fırlatılacak. Açık bir karayolu üzerinde, yavaş bir traktör römorku uzun bir araba hattını tutabilir ve yine sallanmaya neden olabilir. Bu durumlarda, Poisson Dağılımı daha uzun süreler için hala iyi çalışabilir, ancak üssel olan varış zamanlarının modellenmesinde üssel olarak başarısız olacaktır.

Ayrıca günün saatine göre çok büyük değişkenlik olduğuna dikkat edin: işe gidiş zamanlarında daha yoğun; 03:00 de çok daha yavaş. Lambda'nızın, düşündüğünüz belirli bir süreyi yansıtdığından emin olun.


4

Poisson Dağılımı normal olarak Binom Dağılımından (her ikisi de ayrı) elde edilir. Bu Wiki'de bulacaksınız.

Bununla birlikte, Poisson dağılımı (ayrık), Üstel Dağılımdan da (sürekli) elde edilebilir.

Kanıtları Wiki'ye ekledim (aşağıdaki bağlantı):

https://en.wikipedia.org/wiki/Talk:Poisson_distribution/Archive_1#Derivation_of_the_Poisson_Distribution_from_the_Exponential_Distribution


ayrık ve sürekli arasındaki bağlantı açık değildi, bunun için teşekkürler!
jspacek
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.